基于CEEMDAN改进阈值滤波的微机电陀螺信号去噪模型

为了提高微机电系统(MEMS)陀螺信号的去噪效果,以自适应噪声的完备集成经验模态分解(CEEMDAN)方法为理论基础,并针对常规软阈值和硬阈值函数存在的不足,提出了一种基于改进阈值函数的CEEMDAN滤波去噪模型。该模型首先应用CEEMDAN方法将陀螺信号有效地分解为多个固有模态函数(IMF)分量;其次通过相关系数法判断噪声分量与有效分量的界限;进而对噪声分量进行阈值设置并使用改进阈值函数进行滤波处理;最后重构滤波处理后的噪声分量与有效分量以得到去噪后的信号。实际陀螺信号去噪试验结果显示:所提模型相对于CEEMDAN、集成经验模态分解(EEMD)、经验模态分解(EMD)强制去噪方法及小波分析方法,其信噪比提高了约3.9dB,均方根误差降低了约36%;所提模型相对于CEEMDAN结合软、硬阈值函数的去噪模型,均方根误差降低了30%以上。表明采用所提模型可以对MEMS陀螺输出信号进行有效去噪,提升去噪性能。     

基于一种改进EMD算法的GPS多径效应抑制方法

为了抑制短基线双差分GPS测量中的多径误差,提出了一种改进的经验模态分解(EMD)滤波方法。首先分析了含噪信号EMD分解的噪声传播特性,提出应用噪声辅助数据分析方法对低阶模态分量进行处理,实现将信号的噪声压缩至低阶本征模态函数(IMF)中,进而提高含噪信号高阶模态分量的信噪比。然后基于上述改进的EMD算法实现了模态单元阈值降噪,随机采样第1阶IMF构造多个具有相同信噪比的序列,最后平均处理多个序列的降噪结果以消除EMD分解的位置敏感性误差,与小波降噪以及传统EMD阈值降噪的仿真对比表明,提出的降噪算法有显著优势。最后,将提出的算法用于GPS测量信号的多径误差提取,结果表明该方法可以用于抑制短基线GPS测量的多径误差。     

光纤陀螺基于本征模态函数筛选的阈值滤波算法

为降低光纤陀螺随机噪声,提高其测量精度,利用周期图法辨识光纤陀螺的随机噪声特征参数,针对其噪声特征,提出了基于本征模态函数筛选的微分经验模态分解阈值滤波算法。以本征模态函数和原始信号二者的概率密度函数的空间距离为判别依据,对所有本征模态函数进行筛选,根据已估计的噪声参数计算阈值大小,采用时间序列阈值的方法对筛选出的本征模态函数进行处理。仿真和实验结果表明,该滤波算法能够在跟踪光纤陀螺信号变化的同时,使其零偏不稳定性下降90.35%,角随机游走下降93.75%,对随机噪声有较好的抑制能力。     

基于自相关特性的经验模态分解微机械陀螺去噪方法

陀螺的噪声是影响组合导航系统精度的重要因素之一。以农机多传感器组合导航系统为研究背景,在分析经验模态分解去噪和小波去噪的基础上,提出了一种基于自相关特性的经验模态分解去噪方法。该方法根据本证模态函数分量的自相关函数特性,提出了一种含噪本证模态函数筛选策略。该方法能够自适应地确定主要含噪的本证模态函数分量,避免了需要人为确定的不足;同时,结合改进小波阈值去噪的优势,避免了将混叠在噪声中的有效信号完全消除,使其具有一定的自适应性。为了验证方法的有效性,利用农机组合导航系统中微机械陀螺的实际输出数据,分别采用改进阈值小波去噪方法、经验模态分解去噪和改进的经验模态分解去噪方法进行了对比试验。结果表明,改进经验模态分解去噪方法的效果要优于前者,在一定程度上能够改善农机多传感器组合导航系统的定位精度。     

基于l2范数的EMD滤波方法在光纤陀螺信号中的应用

光纤陀螺的随机漂移限制了惯性导航系统的精度,如何减小它是一项非常艰巨的任务.结合经验模态分解(EMD)和信号与模态之间的概率密度函数,提出了一种新型的依赖Hurst指数的信号滤波方法.当H＜0.5时,利用l2范数选择出相关模态,累加并形成的部分重构方法来对光纤陀螺的信号进行滤波;当H≥0.5时,间隔阈值的经验模态(EMD-IT)被引入对相关模态进行滤波,之后按照部分重构的方法对光纤陀螺的信号进行滤波;称为混合的EMD-pdf和EMD-IT.与其它的滤波方法进行对比,如基于相关函数的EMD部分重构(EMD-cor),基于概率密度函数的EMD部分重构(EMD-pdf),仿真信号和实际数据结果表明,该混合模型的优越性,有效减小了光纤陀螺的随机误差.     

基于l_2范数的EMD滤波方法在光纤陀螺信号中的应用（英文）

光纤陀螺的随机漂移限制了惯性导航系统的精度,如何减小它是一项非常艰巨的任务。结合经验模态分解(EMD)和信号与模态之间的概率密度函数,提出了一种新型的依赖Hurst指数的信号滤波方法。当H0.5时,利用l_2范数选择出相关模态,累加并形成的部分重构方法来对光纤陀螺的信号进行滤波;当H≥0.5时,间隔阈值的经验模态(EMD-IT)被引入对相关模态进行滤波,之后按照部分重构的方法对光纤陀螺的信号进行滤波;称为混合的EMD-pdf和EMD-IT。与其它的滤波方法进行对比,如基于相关函数的EMD部分重构(EMD-cor),基于概率密度函数的EMD部分重构(EMD-pdf),仿真信号和实际数据结果表明,该混合模型的优越性,有效减小了光纤陀螺的随机误差。     

基于LMS与二代小波变换的光纤陀螺去噪算法

为了降低光纤陀螺输出中的噪声分量,提出一种基于最小均方法与二代小波变换相结合的去噪方法。首先利用LMS算法进行前端预处理,提高信号的信噪比;然后使用SGWT去噪算法降噪,考虑到SGWT去噪算法易受阈值函数的影响,将模糊与平滑因子引入到传统软阈值法,以缩小估计小波系数和原小波系数两者之间的常值偏差;最后,将本文提出的算法应用于某型光纤陀螺的去噪研究中。实验结果表明,相对于SGWT去噪算法,采用LMS-SGWT算法处理后,光纤陀螺的信噪比从0.1698d B提高到2.0521 d B,方位对准误差从0.33°降低到0.13°。     

基于EMD改进算法的爆破振动信号去噪

为了解决振动信号经验模态分解(empirical mode decomposition, EMD)滤波去噪效果不佳的问题,提出一种自适应性正交经验模态分解(principal empirical mode decomposition, PEMD)的信号去噪方法。该算法融合了EMD分解的自适应性和主成分分析(principal component analysis,PCA)的完全正交性特点,对信号EMD分解过程中产生的模态混叠现象进行消除,得到了最佳的去噪效果。分析表明:PEMD在仿真模拟试验中相比于传统EMD算法和集总经验模态分解(ensemble empirical mode decomposition, EEMD) 算法,信噪比分别提高了1.15 dB和0.38 dB,且均方根误差最小;频域上PEMD对仿真信号频率(30 Hz)识别的灵敏度最高,30 Hz之外的噪声滤除效果最好。在爆破振动试验中,PEMD和EEMD去除噪声毛刺的效果较为理想,且PEMD在0～300 Hz的中低频振动信号保存效果最好,300 Hz以上的高频噪声滤除效果最好。     

基于希尔伯特-黄变换的去噪法在外测数据处理中的应用

针对靶场测量设备种类多,外测数据中存在各种不确定因素的误差,且难以用统一的误差模型来描述,提出了一种基于希尔伯特-黄变换的滤波去噪方法。通过经验模式分解将外测数据自适应地分解成一组内蕴模态函数(IMF),然后对内蕴模态函数进行希尔伯特频谱分析,采用基于自适应阈值的消噪方法对模态函数进行消噪,最后对消噪后的模态函数重构,得到去噪后的外测数据。数据结果分析证明,该方法最大限度地抑制了测量数据中的噪声,特别是对于外测数据中的瞬时强噪声干扰剔除效果非常有效,在高精度的外测数据处理中具有较好的实用性。     

一种改进的BEMD阈值去噪算法在单目视觉定位中的应用

针对单目视觉定位系统获取的图像含有较大噪声的问题,提出了一种改进的二维经验模态分解(BEMD)阈值去噪算法。首先,通过构建噪声压缩图像消除BEMD分解的位置敏感性误差;然后,通过BEMD将构建的噪声压缩图像分解成一系列本征模态函数,并基于?2准则和概率密度函数区分出噪声主导本征模态函数和信号主导本征模态函数,使用软阈值技术实现噪声主导IMF的去噪。最后,将所提算法应用于单目视觉定位中,并与小波去噪和BEMD-DT去噪算法进行对比。对比结果表明,在转弯和直线运动两种情况下的东向位置误差、北向位置误差和航向角误差方面,该算法较Sym4小波去噪算法分别平均改善了74%、64%、54%,较Db6小波算法分别平均改善了60%、48%、39%,较BEMD-DT算法分别平均改善了73%、96%、84%,显示了所提算法的优势。